正则表达式

达内python人工智能培训第二阶段之正则表达式的使用！下图归纳总结了正则表达式的三大原则、分组、模式、元字符等相关知识要点。希望本图能够对你有所帮助哦！

正则表达式

定义

即文本的高级匹配模式,提供搜索,替换等功能。其本质是由一系列字符和特殊符号构成的字 串,这个字串即正则表达式。

功能

1. 文本处理已经成为计算机常见工作之一 2. 对文本内容的搜索,定位,提取是逻辑比较复杂的工作 3. 为了快速方便的解决上述问题,产生了正则表达式技术

原理

通过普通字符和有特定含义的字符,来组成字符串,用以描述一定的字符串规则,比如:重复, 位置等,来表达某类特定的字符串,进而匹配。

目标

熟练掌握正则表达式元字符 能够读懂常用正则表达式,编辑简单的正则规则 能够数量使用re模块操作正则表达式

元字符

匹配重复的元字符

元字符: *

匹配规则:匹配前面的字符出现0次或多次 e.g. In : re.findall('wo*',"wooooo~~w!") Out: ['wooooo', 'w']

元字符:+

匹配规则: 匹配前面的字符出现1次或多次 e.g. In : re.findall('[A-Z][a-z]+',"Hello World") Out: ['Hello', 'World']

元字符:?

匹配规则: 匹配前面的字符出现0次或1次 e.g. 匹配整数 In [28]: re.findall('-?[0-9]+',"Jame,age:18, -26") Out[28]: ['18', '-26']

元字符:{n}

匹配规则: 匹配前面的字符出现n次 e.g. 匹配手机号码 In : re.findall('1[0-9]{10}',"Jame:13886495728") Out: ['13886495728']

元字符:{m,n}

匹配规则: 匹配前面的字符出现m-n次 e.g. 匹配qq号 In : re.findall('[1-9][0-9]{5,10}',"Baron:1259296994") Out: ['1259296994']

匹配位置的元字符

匹配(非)单词的边界位置

元字符: \b \B 匹配规则: \b 表示单词边界,\B 表示非单词边界 说明:单词边界指数字字母(汉字)下划线与其他字符的交界位置。 e.g. In : re.findall(r'\bis\b',"This is a test.") Out: ['is']

匹配开头结尾位置

元字符: \A \Z 匹配规则: \A 表示开头位置,\Z 表示结尾位置

匹配字符串开始位置

元字符: ^ 匹配规则:匹配目标字符串的开头位置 e.g. In : re.findall('^Jame',"Jame,hello") Out: ['Jame']

匹配字符串的结束位置:

元字符: $ 匹配规则: 匹配目标字符串的结尾位置 e.g. In : re.findall('Jame$',"Hi,Jame") Out: ['Jame'] 规则技巧: ^ 和 $必然出现在正则表达式的开头和结尾处。如果两则同时出现,则中间的部分必须 匹配整个目标字符串的全部内容。

匹配一分为二的元字符

匹配任意(非)空字符

元字符: \s \S 匹配规则: \s 匹配空字符,\S 匹配非空字符 说明:空字符指 空格 \r \n \t \v \f 字符 e.g. In : re.findall('\w+\s+\w+',"hello Out: ['hello world") world']

匹配任意(非)数字字符

元字符: \d \D 匹配规则:\d 匹配任意数字字符,\D 匹配任意非数字字符 e.g. 匹配端口 In : re.findall('\d{1,5}',"Mysql: 3306, http:80") Out: ['3306', '80']

匹配任意(非)普通字符

元字符: \w \W 匹配规则: \w 匹配普通字符,\W 匹配非普通字符 说明: 普通字符指数字,字母,下划线,汉字。 e.g. In : re.findall('\w+',"server_port = 8888") Out: ['server_port', '8888']

匹配其它的元字符

匹配字符集反集

元字符:[^字符集] 匹配规则:匹配除了字符集以外的任意一个字符 e.g. In : re.findall('[^0-9]',"Use 007 port") Out: ['U', 's', 'e', ' ', ' ', 'p', 'o', 'r', 't']

或关系ß

元字符: | 匹配规则: 匹配 | 两侧任意的正则表达式即可 e.g. In : re.findall('com|cn',"www.baidu.com/www.tmooc.cn") Out: ['com', 'cn']

匹配单个字符

元字符: . 匹配规则:匹配除换行外的任意一个字符 e.g. In : re.findall('张.丰',"张三丰,张四丰,张五丰") Out: ['张三丰', '张四丰', '张五丰']

匹配字符集

元字符: [字符集] 匹配规则: 匹配字符集中的任意一个字符 表达形式: [abc#!好] 表示 [] 中的任意一个字符 [0-9],[a-z],[A-Z] 表示区间内的任意一个字符 [_#?0-9a-z] 混合书写,一般区间表达写在后面 e.g. In : re.findall('[aeiou]',"How are you!") Out: ['o', 'a', 'e', 'o', 'u']

普通字符

匹配规则:每个普通字符匹配其对应的字符 In : re.findall('ab',"abcdefabcd") Out: ['ab', 'ab']

转义

1. 如果使用正则表达式匹配特殊字符则需要加 \ 表示转义。 特殊字符: . * + ? ^ $ [] () {} | \ e.g. 匹配特殊字符 . 时使用 \. 表示本身含义 In : re.findall('-?\d+\.?\d*',"123,-123,1.23,-1.23") Out: ['123', '-123', '1.23', '-1.23'] 2. 在编程语言中,常使用原生字符串书写正则表达式避免多重转义的麻烦。 e.g. python字符串 "\\$\\d+" "\\$\\d+" --> 解析为 等同于 正则 --> 目标字符串 \$\d+ 匹配 "$100" r"\$\d+"

模式

贪婪模式

贪婪模式: 默认情况下,匹配重复的元字符总是尽可能多的向后匹配内容。比如: * + ? {m,n}

非贪婪模式

让匹配重复的元字符尽可能少的向后匹配内容。

转换

2. 贪婪模式转换为非贪婪模式 在匹配重复元字符后加 '?' 号即可 * : *? + : +? ? : ?? {m,n} : {m,n}?

分组

在正则表达式中,以()建立正则表达式的内部分组,子组是正则表达式的一部分,可以作为内部整 体操作对象。

作用

1.可以被作为整体操作,改变元字符的操作对象 e.g. 改变 +号 重复的对象 In : re.search(r'(ab)+',"ababababab").group() Out: 'ababababab' e.g. 改变 |号 操作对象 In : re.search(r'(王|李)\w{1,3}',"王者荣耀").group() Out: '王者荣耀 2.可以通过编程语言某些接口获取匹配内容中,子组对应的内容部分 e.g. 获取url协议类型 re.search(r'(https|http|ftp|file)://\S+',"https://www.baidu.com").group(1)

捕获组

可以给正则表达式的子组起一个名字,表达该子组的意义。这种有名称的子组即为捕获组。 格式: (?P<name>pattern) e.g. 给子组命名为 "pig" In : re.search(r'(?P<pig>ab)+',"ababababab").group('pig') Out: 'ab'

注意事项

一个正则表达式中可以包含多个子组 子组可以嵌套,但是不要重叠或者嵌套结构复杂 子组序列号一般从外到内,从左到右计数

三大原则

1. 正确性,能够正确的匹配出目标字符串. 2. 排他性,除了目标字符串之外尽可能少的匹配其他内容. 3. 全面性,尽可能考虑到目标字符串的所有情况,不遗漏.

re模块

compile

regex = compile(pattern,flags = 0) 功能: 生产正则表达式对象 参数: pattern 正则表达式 flags 功能标志位,扩展正则表达式的匹配 返回值: 正则表达式对象

compile对象属性

flags : flags值 pattern : 正则表达式 groups : 子组数量 groupindex : 捕获组名与组序号的字典

findall

re.findall(pattern,string,flags = 0) 功能: 根据正则表达式匹配目标字符串内容 参数: pattern 正则表达式 string 目标字符串 flags 功能标志位,扩展正则表达式的匹配 返回值: 匹配到的内容列表,如果正则表达式有子组则只能获取到子组对应的内容 regex.findall(string,pos,endpos) 功能: 根据正则表达式匹配目标字符串内容 参数: string 目标字符串 pos 截取目标字符串的开始匹配位置 endpos 截取目标字符串的结束匹配位置 返回值: 匹配到的内容列表,如果正则表达式有子组则只能获取到子组对应的内容

split

re.split(pattern,string,flags = 0) 功能: 使用正则表达式匹配内容,切割目标字符串 参数: pattern 正则表达式 string 目标字符串 flags 功能标志位,扩展正则表达式的匹配 返回值: 切割后的内容列表

sub

re.sub(pattern,replace,string,max,flags = 0) 功能: 使用一个字符串替换正则表达式匹配到的内容 参数: pattern 正则表达式 replace 替换的字符串 string 目标字符串 max 最多替换几处,默认替换全部 flags 功能标志位,扩展正则表达式的匹配 返回值: 替换后的字符串

subn

re.subn(pattern,replace,string,max,flags = 0) 功能: 使用一个字符串替换正则表达式匹配到的内容 参数: pattern 正则表达式 replace 替换的字符串 string 目标字符串 max 最多替换几处,默认替换全部 flags 功能标志位,扩展正则表达式的匹配 返回值: 替换后的字符串和替换了几处

finditer

re.finditer(pattern,string,flags = 0) 功能: 根据正则表达式匹配目标字符串内容 参数: pattern 正则表达式 string 目标字符串 flags 功能标志位,扩展正则表达式的匹配 返回值: 匹配结果的迭代器

fullmatch

re.fullmatch(pattern,string,flags=0) 功能:完全匹配某个目标字符串 参数:pattern 正则 string 目标字符串 返回值:匹配内容match object

match

re.match(pattern,string,flags=0) 功能:匹配某个目标字符串开始位置 参数:pattern 正则 string 目标字符串 返回值:匹配内容match object

match对象属性

属性变量

pos 匹配的目标字符串开始位置 endpos 匹配的目标字符串结束位置 re 正则表达式 string 目标字符串 lastgroup 最后一组的名称 lastindex 最后一组的序号

属性方法

span() 获取匹配内容的起止位置 start() 获取匹配内容的开始位置 end() 获取匹配内容的结束位置 groupdict() 获取捕获组字典,组名为键,对应内容为值 groups() 获取子组对应内容 group(n = 0) 功能:获取match对象匹配内容 参数:默认为0表示获取整个match对象内容,如果是序列号或者组名则表示获取对应子组内容 返回值:匹配字符串

search

re.search(pattern,string,flags=0) 功能:匹配目标字符串第一个符合内容 参数:pattern 正则 string 目标字符串 返回值:匹配内容match object

子主题